CN108171676B - 基于曲率滤波的多聚焦图像融合方法 - Google Patents

基于曲率滤波的多聚焦图像融合方法 Download PDF

Info

Publication number
CN108171676B
CN108171676B CN201711248987.9A CN201711248987A CN108171676B CN 108171676 B CN108171676 B CN 108171676B CN 201711248987 A CN201711248987 A CN 201711248987A CN 108171676 B CN108171676 B CN 108171676B
Authority
CN
China
Prior art keywords
column
matrix
row
characteristic image
indicates
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711248987.9A
Other languages
English (en)
Other versions
CN108171676A (zh
Inventor
周慧鑫
谭威
王士成
于君娜
刘洋
秦翰林
李欢
宋江鲁奇
赵东
杜娟
成宽洪
宋尚真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Xian University of Electronic Science and Technology
Original Assignee
CETC 54 Research Institute
Xian University of Electronic Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute, Xian University of Electronic Science and Technology filed Critical CETC 54 Research Institute
Priority to CN201711248987.9A priority Critical patent/CN108171676B/zh
Publication of CN108171676A publication Critical patent/CN108171676A/zh
Application granted granted Critical
Publication of CN108171676B publication Critical patent/CN108171676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于曲率滤波的多聚焦图像融合方法，其实现步骤为：(1)输入待融合多聚焦图像；(2)对远聚焦图像I1进行曲率滤波；(3)对近距离聚焦图像I2进行曲率滤波；(4)获取曲率滤波后的图像F1和F2；(5)生成特征图像矩阵；(6)获取聚焦度参量；(7)生成临时矩阵；(8)生成进阶矩阵；(9)生成融合图像。本发明利用了同一场景拍摄的聚焦距离远近不同的两幅多聚焦图像进行融合，在提取了图像边缘的清晰特征的同时，保留了聚焦度更高的清晰区域，克服了现有多聚焦图像融合技术中局部像素突变以及局部模糊的缺点。

Description

基于曲率滤波的多聚焦图像融合方法
技术领域
本发明属于图像处理技术领域，更进一步涉及图像清晰度增强技术领域中的一种基于曲率滤波的多聚焦图像融合方法。本发明可用于在同一场景拍摄的聚焦距离远近不同的两幅多聚焦图像的融合中，在提取了图像边缘的清晰特征的同时，保留了聚焦度更高的清晰区域，提升最终融合图像的清晰度。
背景技术
目前，现有的图像融合方法主要有空间域图像融合方法与频域图像融合方法，最具代表性的融合方法有空间域的系数加权融合方法和频域的小波融合方法。这两种方法都是根据一定的转换函数直接对两帧图像的像素值进行运算处理。系数加权融合方法和小波融合方法的优点在于实现简单、速度快。但是，当融合图像的灰度差异比较大时，系数加权融合方法合成的图像中会出现明显的拼接痕迹；而小波融合方法是将源图像变换到频域内处理，由于没有直接对图像的像素操作，所以融合结果容易产生像素突变、模糊等问题。
Shutao Li和Bin Yang在其发表的论文“Multifocus image fusion usingregion segmentation and spatial frequency”(《Image&Vision Computing》vol.26,Issue 7,Jul.2008)中提出了一种基于区域分割的多聚焦图像融合方法。该方法首先将图像按照一定规则将图像分割成几个区域，在每个区域内通过比较聚焦度评价函数进行融合。该方法虽然使用了图像数个像素之间的空间关系进行融合，在一定程度上提高了融合图像的质量，但是，该方法仍然存在的不足之处是，当区域分割大小不合适时，通常会受到图像块效应的影响，融合图像会出现局部像素突变的现象。
西北工业大学在其申请的专利文献“一种基于小波变换和邻域特征的多聚焦图像融合方法”(申请日：2010年10月28日，申请号：201010527509.3，公开号：101968883B)中公开了一种基于小波变换的多聚焦图像融合方法。该方法首先采用小波变换对源图像进行多尺度分解，得到低频和高频子图像，然后利用不同的融合规则进行低频子图像和高频子图像的融合，最后进行小波重构得到融合图像。该方法虽然比传统的小波图像融合方法的融合效果有所提高，但是，该方法仍然存在的不足之处是，由于没有直接作用于像素本身，融合图像会产生局部模糊的不足。
发明内容
本发明的目的是针对上述现有技术的不足，提出一种基于曲率滤波的多聚焦图像融合方法。本发明根据在同一场景拍摄的聚焦距离远近不同的两幅多聚焦图像矩阵，对待融合的多聚焦图像进行曲率滤波从而得到多聚焦图像的特征图像矩阵，用特征图像矩阵的两种聚焦度参量判断得到临时矩阵，利用形态学滤波对临时矩阵进行结构处理得到进阶矩阵，利用进阶矩阵对待融合的多聚焦图像进行加权融合得到融合后的图像。
为实现上述目的，本发明包括如下主要步骤：
(1)输入待融合多聚焦图像：
分别输入一幅待融合的远距离聚焦图像I1和一幅待融合的近距离聚焦图像I2，其中I1和I2的大小相等；
(2)对远距离聚焦图像I1的所有像素点进行曲率滤波；
(3)对近距离聚焦图像I2的所有像素点进行曲率滤波；
(4)获取曲率滤波后的图像F1和F2；
(4a)将远距离聚焦图像I1中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F1；
(4b)将近距离聚焦图像I2中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F2；
(5)生成特征图像矩阵：
用远距离聚焦图像I1减去曲率滤波后图像F1，得到特征图像矩阵S1，用近距离聚焦图像I2减去曲率滤波后图像F2，得到特征图像矩阵S2；
(6)获取聚焦度参量：
(6a)计算特征图像矩阵中所有元素的空间频率参量；
(6b)计算特征图像矩阵中所有元素的3×3局部方差参量；
(7)生成临时矩阵：
(7a)按照下式，计算临时矩阵中每个元素的值：
其中，M(x，y)表示临时矩阵中第x行第y列的元素值，SF1(e1，f1)表示特征图像矩阵S1的第e1行第f1列的空间频率参量，SF2(e2，f2)表示特征图像矩阵S2的第e2行第f2列的空间频率参量，V1(g1，h1)表示特征图像矩阵S1的第g1行第h1列的局部方差参量，V2(g2，h2)表示特征图像矩阵S2的第g2行第h2列的局部方差参量；
(7b)将临时矩阵的所有元素值组成临时矩阵；
(8)生成进阶矩阵：
(8a)按照下式，计算进阶矩阵中每个元素值：
其中，W(u，v)表示进阶矩阵中第u行第v列元素值，Θ表示形态学滤波的腐蚀操作，B表示大小为5×5的形态学滤波结构，表示形态学滤波的膨胀操作；
(8b)将进阶矩阵的所有元素值组成进阶矩阵；
(9)生成融合图像：
(9a)按照下式，计算融合图像中每个像素点的像素值：
IF(fx，fy)＝W(u，v)×I1(x1，y1)+(1-W(u，v))×I2(x2，y2)
其中，IF(fx，fy)表示融合图像的第fx行第fy列像素点的像素值，I1(x1，y1)表示远距离聚焦图像I1的第x1行第y1列像素点的像素值，I2(x2，y2)表示近距离聚焦图像I2的第x2行第y2列像素点的像素值；
(9b)将所有像素点的像素值组合成融合图像。
与现有的技术相比本发明具有以下优点：
第一，本发明对远距离聚焦图像中所有像素点的像素值与远聚焦修正最小值相加完成曲率滤波，又对近距离聚焦图像中所有像素点的像素值与近聚焦修正最小值相加完成曲率滤波，修正了远、近距离聚焦两幅图像的像素值，从而保留了两幅图像中清晰的图像边缘，舍去了不清晰的边缘部分，克服了现有技术存在的由于没有直接作用于像素本身，融合图像会产生局部模糊的不足，使得本发明具有较好的原信息保留度，从而和原图像具有更高的相似度。
第二，本发明运用了计算特征图像矩阵的空间频率参量和3×3局部方差参量这两个聚焦度参量，综合判断待融合图像的聚焦区域，这两个参量同时兼顾了远距离聚焦图像和近距离聚焦图像的整体空间信息和局部空间信息，克服了现有技术当区域分割大小不合适时，会受到图像块效应的影响，融合图像会出现局部像素突变的现象的不足，使得本发明能够显著的提高融合图像的清晰度和对比度。
附图说明
图1为本发明的流程图；
图2为本发明的仿真图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参考附图1，对本发明实现的步骤作进一步的详细描述。
步骤1，输入待融合多聚焦图像。
分别输入一幅待融合的远距离聚焦图像I1和一幅待融合的近距离聚焦图像I2，其中I1和I2的大小相等。
步骤2，对远距离聚焦图像I1进行曲率滤波。
所述对远距离聚焦图像I1进行曲率滤波的具体步骤如下：
第1步，从远距离聚焦图像I1任意选取一个像素点；
第2步，从所选像素点的3×3邻域内获得9个像素点；
第3步，将所选的9个像素点的每个点都构成一个切平面，除去中心像素点构成的切平面，共8个切平面；
第4步，计算所选取像素点与每个切平面的距离；
第5步，将8个距离中的最小值作为远聚焦修正最小值；
第6步，用所选像素点的像素值与远聚焦修正最小值相加完成曲率滤波；
第7步，判断远距离聚焦图像I1的所有像素点是否选取完，若是，则完成了对远距离聚焦图像I1的所有像素点的曲率滤波，否则，执行第1步。
步骤3，对近距离聚焦图像I2进行曲率滤波。
所述对近距离聚焦图像I2进行曲率滤波的具体步骤如下：
第1步，从近距离聚焦图像I2任意选取一个像素点；
第2步，从所选像素点的3×3邻域内获得9个像素点；
第3步，将所选的9个像素点的每个点都构成一个切平面，除去中心像素点构成的切平面，共8个切平面；
第4步，计算所选取像素点与每个切平面的距离；
第5步，将8个距离中的最小值作为近聚焦修正最小值；
第6步，用所选像素点的像素值与近聚焦修正最小值相加完成曲率滤波；
第7步，判断近距离聚焦图像I2的所有像素点是否选取完，若是，则完成了对近距离聚焦图像I2的所有像素点的曲率滤波，否则，执行第1步。
步骤4，获取曲率滤波后的图像F1和F2。
将远距离聚焦图像I1中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F1。
将近距离聚焦图像I2中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F2。
步骤5，生成特征图像矩阵。
用远距离聚焦图像I1减去曲率滤波后图像F1，得到特征图像矩阵S1，用近距离聚焦图像I2减去曲率滤波后图像F2，得到特征图像矩阵S2。
步骤6，获取聚焦度参量。
计算特征图像矩阵中所有元素的空间频率参量。
所述计算特征图像矩阵中所有元素的空间频率参量的具体步骤如下：
第1步，按照下式，计算特征图像矩阵中所有元素的行频率参量：
其中，RF1(a1，b1)表示特征图像矩阵S1的第a1行第b1列的行频率参量，RF2(a2，b2)表示特征图像矩阵S2的第a2行第b2列的行频率参量，表示求平方根操作，∑表示求和操作，S1(am,an)表示特征图像矩阵S1的第am行第an列的值，S2(bm，bn)表示特征图像矩阵S2的第bm行第bn列的值。
第2步，按照下式，计算特征图像矩阵中所有元素的列频率参量：
其中，CF1(c1,d1)表示特征图像矩阵S1的第c1行第d1列的列频率参量，CF2(c2，d2)表示特征图像矩阵S2的第c2行第d2列的列频率参量，S1(cm，cn)表示特征图像矩阵S1的第cm行第cn列的像素值，S2(dm,dn)表示特征图像矩阵S2的第dm行第dn列的像素值。
第3步，按照下式，计算特征图像矩阵中所有元素的空间频率参量：
其中，SF1(e1，f1)表示特征图像矩阵S1的第e1行第f1列的空间频率参量，SF2(e2，f2)表示特征图像矩阵S2的第e2行第f2列的空间频率参量。
计算特征图像矩阵中所有元素的3×3局部方差参量。
所述计算特征图像矩阵中所有元素的3×3局部方差参量的具体步骤如下：
第1步，按照下式，计算特征图像矩阵中所有元素的3×3局部均值参量：
其中，μ1(m1，n1)表示特征图像矩阵S1的第m1行第n1列的3×3局部均值参量，μ2(m2，n2)表示特征图像矩阵S2的第m2行第n2列的3×3局部均值参量，S1(kx1，ky1)表示特征图像矩阵S1的第kx1行第ky1列的像素值，S2(kx2，ky2)表示特征图像S2的第kx2行第ky2列的像素值；
第2步，按照下式，计算特征图像矩阵中所有元素的3×3局部方差参量：
其中，V1(g1，h1)表示特征图像矩阵S1的第g1行第h1列的局部方差参量，V2(g2,h2)表示特征图像矩阵S2的第g2行第h2列的局部方差参量，S1(r1+m,t1+n)表示特征图像矩阵S1的第r1+m行第t1+n列的像素值，S2(r2+m,t2+n)表示特征图像矩阵S2的第r2+m行第t2+n列的像素值。
步骤7，生成临时矩阵。
按照下式，计算临时矩阵中每个元素的值：
其中，M(x，y)表示临时矩阵中第x行第y列元素值。
将临时矩阵的所有元素值组成临时矩阵。
步骤8，生成进阶矩阵。
按照下式，计算进阶矩阵中每个元素值：
其中，W(u，v)表示进阶矩阵中第u行第v列元素值，Θ表示形态学滤波的腐蚀操作，B表示大小为5×5的形态学滤波结构，表示形态学滤波的膨胀操作。
将进阶矩阵的所有元素值组成进阶矩阵。
步骤9，生成融合图像。
按照下式，计算融合图像中每个像素点的像素值：
IF(fx，fy)＝W(u，v)×I1(x1，y1)+(1-W(u，v))×I2(x2，y2)
其中，IF(fx，fy)表示融合图像第fx行第fy列像素点的像素值，I1(x1，y1)表示远距离聚焦图像I1的第x1行第y1列像素点的像素值，I2(x2，y2)表示近距离聚焦图像I2的第x2行第y2列像素点的像素值。
将所有像素点的像素值组成融合图像。
下面结合附图2对本发明的仿真效果做进一步说明。
1.仿真条件：
本发明的仿真所使用待融合的图像分别是在远距离聚焦的图像和近距离聚焦的图像，图像大小为480×640，待融合图像为单通道的灰度图像。
2.仿真结果与分析：
图2是本发明的仿真图，其中，图2(a)为远距离聚焦拍摄的图；图2(b)为近距离聚焦拍摄的图；图2(c)为使用本发明的方法，对图2(a)和图2(b)进行融合的效果图；图2(d)为使用现有技术的小波变换法，对图2(a)和图2(b)进行融合的效果图；图2(e)为使用现有技术的空间频率参量法，对图2(a)和图2(b)进行融合的效果图。
图2(d)是通过将图2(a)和图2(b)变换到了频率域，对频率域的系数进行融合，而后反变换回空间域得到的。图2(d)并没有直接使用原图像的像素信息，而是通过在频率域的融合间接达到了像素融合的目的，因此图2(d)中人的头部及手臂边缘处产生了局部模糊现象。图2(e)则是仅使用了空间频率参量对图2(a)和图2(b)进行分割，由于空间频率参量的大小仅作为图像总体聚焦度的度量，无法对局部区域进行度量，因此图2(e)中人的头部及手臂边缘处发生了局部像素突变。对比图2(c)、图2(d)和图2(e)可见，本发明则很好地利用了图2(a)和图2(b)本身的像素信息，对两幅图中清晰的边缘部分进行了增强，且同时兼顾了总体和局部的空间关系，对比图2(d)和图2(e)，对图2(a)和图2(b)中人的头部及手臂处的边缘处有很好的融合效果。
综上所述，可以看出本发明能够很好的提升待融合图像的清晰度，克服了现有图像融合技术会产生局部像素突变及局部模糊的缺点。

Claims (5)

1.一种基于曲率滤波的多聚焦图像融合方法，其特征在于，包括如下步骤：
(1)输入待融合多聚焦图像：
分别输入一幅待融合的远距离聚焦图像I1和一幅待融合的近距离聚焦图像I2，其中I1和I2的大小相等；
(2)对远距离聚焦图像I1的所有像素点进行曲率滤波；
(3)对近距离聚焦图像I2的所有像素点进行曲率滤波；
(4)获取曲率滤波后的图像F1和F2；
(4a)将远距离聚焦图像I1中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F1；
(4b)将近距离聚焦图像I2中所有做完曲率滤波操作后的像素点，组合成滤波后的曲率滤波图像F2；
(5)生成特征图像矩阵：
用远距离聚焦图像I1减去曲率滤波后图像F1，得到特征图像矩阵S1，用近距离聚焦图像I2减去曲率滤波后图像F2，得到特征图像矩阵S2；
(6)获取聚焦度参量：
(6a)计算特征图像矩阵中所有元素的空间频率参量；
(6b)计算特征图像矩阵中所有元素的3×3局部方差参量；
(7)生成临时矩阵：
(7a)按照下式，计算临时矩阵中每个元素的值：
其中，M(x，y)表示临时矩阵中第x行第y列的元素值，SF1(e1，f1)表示特征图像矩阵S1的第e1行第f1列的空间频率参量，SF2(e2，f2)表示特征图像矩阵S2的第e2行第f2列的空间频率参量，V1(g1,h1)表示特征图像矩阵S1的第g1行第h1列的局部方差参量，V2(g2,h2)表示特征图像矩阵S2的第g2行第h2列的局部方差参量；
(7b)将临时矩阵的所有元素值组成临时矩阵；
(8)生成进阶矩阵：
(8a)按照下式，计算进阶矩阵中每个元素值：
其中，W(u，v)表示进阶矩阵中第u行第v列元素值，Θ表示形态学滤波的腐蚀操作，B表示大小为5×5的形态学滤波结构，表示形态学滤波的膨胀操作；
(8b)将进阶矩阵的所有元素值组成进阶矩阵；
(9)生成融合图像：
(9a)按照下式，计算融合图像中每个像素点的像素值：
IF(fx，fy)＝W(u，v)×I1(x1，y1)+(1-W(u,v))×I2(x2，y2)
其中，IF(fx,fy)表示融合图像的第fx行第fy列像素点的像素值，I1(x1,y1)表示远距离聚焦图像I1的第x1行第y1列像素点的像素值，I2(x2，y2)表示近距离聚焦图像I2的第x2行第y2列像素点的像素值；
(9b)将所有像素点的像素值组合成融合图像。
2.根据权利要求1所述的基于曲率滤波的多聚焦图像融合方法，其特征在于：步骤2中所述对远距离聚焦图像I1的所有像素点进行曲率滤波，具体步骤如下：
第1步，从远距离聚焦图像I1任意选取一个像素点；
第2步，从所选像素点的3×3邻域内获得9个像素点；
第3步，将所选的9个像素点的每个点都构成一个切平面，除去中心像素点构成的切平面，共8个切平面；
第4步，计算所选取像素点与每个切平面的距离；
第5步，将8个距离中的最小值作为远聚焦修正最小值；
第6步，用所选像素点的像素值与远聚焦修正最小值相加完成曲率滤波；
第7步，判断远距离聚焦图像I1的所有像素点是否选取完，若是，则完成了对远距离聚焦图像I1的所有像素点的曲率滤波，否则，执行第1步。
3.根据权利要求1所述的基于曲率滤波的多聚焦图像融合方法，其特征在于：步骤3中所述对近距离聚焦图像I2的所有像素点进行曲率滤波，具体步骤如下：
第1步，从近距离聚焦图像I2任意选取一个像素点；
第2步，从所选像素点的3×3邻域内获得9个像素点；
第3步，将所选的9个像素点的每个点都构成一个切平面，除去中心像素点构成的切平面，共8个切平面；
第4步，计算所选取像素点与每个切平面的距离；
第5步，将8个距离中的最小值作为近聚焦修正最小值；
第6步，用所选像素点的像素值与近聚焦修正最小值相加完成曲率滤波；
第7步，判断近距离聚焦图像I2的所有像素点是否选取完，若是，则完成了对近距离聚焦图像I2的所有像素点的曲率滤波，否则，执行第1步。
4.根据权利要求1所述的基于曲率滤波的多聚焦图像融合方法，其特征在于：步骤(6a)中所述计算特征图像矩阵中所有元素的空间频率参量的具体步骤如下：
第1步，按照下式，计算特征图像矩阵中所有元素的行频率参量：
其中，RF1(a1，b1)表示特征图像矩阵S1的第a1行第b1列的行频率参量，RF2(a2，b2)表示特征图像矩阵S2的第a2行第b2列的行频率参量，表示求平方根操作，∑表示求和操作，S1(am，an)表示特征图像矩阵S1的第am行第an列的值，S2(bm，bn)表示特征图像矩阵S2的第bm行第bn列的值；
第2步，按照下式，计算特征图像矩阵中所有元素的列频率参量：
其中，CF1(c1，d1)表示特征图像矩阵S1的第c1行第d1列的列频率参量，CF2(c2，d2)表示特征图像矩阵S2的第c2行第d2列的列频率参量，S1(cm，cn)表示特征图像矩阵S1的第cm行第cn列的像素值，S2(dm，dn)表示特征图像矩阵S2的第dm行第dn列的像素值；
第3步，按照下式，计算特征图像矩阵中所有元素的空间频率参量：
其中，SF1(e1，f1)表示特征图像矩阵S1的第e1行第f1列的空间频率参量，SF2(e2，f2)表示特征图像矩阵S2的第e2行第f2列的空间频率参量。
5.根据权利要求1所述的基于曲率滤波的多聚焦图像融合方法，其特征在于：步骤(6b)中所述计算特征图像矩阵中所有元素的3×3局部方差参量的具体步骤如下：
第1步，按照下式，计算特征图像矩阵中所有元素的3×3局部均值参量：
其中，μ1(m1，n1)表示特征图像矩阵S1的第m1行第n1列的3×3局部均值参量，μ2(m2，n2)表示特征图像矩阵S2的第m2行第n2列的3×3局部均值参量，S1(kx1，ky1)表示特征图像矩阵S1的第kx1行第ky1列的像素值，S2(kx2，ky2)表示特征图像S2的第kx2行第ky2列的像素值；
第2步，按照下式，计算特征图像矩阵中所有元素的3×3局部方差参量：
其中，V1(g1，h1)表示特征图像矩阵S1的第g1行第h1列的局部方差参量，V2(g2，h2)表示特征图像矩阵S2的第g2行第h2列的局部方差参量，S1(r1+m，t1+n)表示特征图像矩阵S1的第r1+m行第t1+n列的像素值，S2(r2+m，t2+n)表示特征图像矩阵S2的第r2+m行第t2+n列的像素值。
CN201711248987.9A 2017-12-01 2017-12-01 基于曲率滤波的多聚焦图像融合方法 Active CN108171676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711248987.9A CN108171676B (zh) 2017-12-01 2017-12-01 基于曲率滤波的多聚焦图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711248987.9A CN108171676B (zh) 2017-12-01 2017-12-01 基于曲率滤波的多聚焦图像融合方法

Publications (2)

Publication Number Publication Date
CN108171676A CN108171676A (zh) 2018-06-15
CN108171676B true CN108171676B (zh) 2019-10-11

Family

ID=62525045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711248987.9A Active CN108171676B (zh) 2017-12-01 2017-12-01 基于曲率滤波的多聚焦图像融合方法

Country Status (1)

Country Link
CN (1) CN108171676B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523494A (zh) * 2018-10-11 2019-03-26 南昌航空大学 一种多聚焦图像融合方法
CN109859194B (zh) * 2019-01-25 2023-06-02 淮阴师范学院 一种基于局部边缘检测的图像聚焦测度实现方法
CN110533682B (zh) * 2019-08-30 2023-02-14 福建省德腾智能科技有限公司 一种基于曲率滤波的图像边缘实时提取方法
CN112560619B (zh) * 2020-12-06 2022-08-30 国网江苏省电力有限公司常州供电分公司 一种基于多聚焦图像融合的多距离鸟类精准识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578092A (zh) * 2013-11-11 2014-02-12 西北大学 一种多聚焦图像融合方法
CN105678723A (zh) * 2015-12-29 2016-06-15 内蒙古科技大学 基于稀疏分解和差分图像的多聚焦图像融合方法
CN105913407A (zh) * 2016-04-06 2016-08-31 昆明理工大学 一种基于差值图对多聚焦度图像融合优化的方法
CN107369148A (zh) * 2017-09-20 2017-11-21 湖北工业大学 基于改进sml与导向滤波的多聚焦图像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8824833B2 (en) * 2008-02-01 2014-09-02 Omnivision Technologies, Inc. Image data fusion systems and methods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578092A (zh) * 2013-11-11 2014-02-12 西北大学 一种多聚焦图像融合方法
CN105678723A (zh) * 2015-12-29 2016-06-15 内蒙古科技大学 基于稀疏分解和差分图像的多聚焦图像融合方法
CN105913407A (zh) * 2016-04-06 2016-08-31 昆明理工大学 一种基于差值图对多聚焦度图像融合优化的方法
CN107369148A (zh) * 2017-09-20 2017-11-21 湖北工业大学 基于改进sml与导向滤波的多聚焦图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于曲率滤波和梯度变换的图像增强;成宽洪等;《光子学报》;20170731;第46卷(第7期);全文 *
基于粗糙集与神经网络的多聚焦图像处理技术研究;周飞燕;《中国优秀硕士学位论文全文数据库（电子期刊）》;20131215;全文 *
改进的Shearlet变换耦合频率特征的图像融合算法;兰伟等;《包装工程》;20170228;第38卷(第3期);全文 *

Also Published As

Publication number Publication date
CN108171676A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108171676B (zh) 基于曲率滤波的多聚焦图像融合方法
Liu et al. Attention-guided global-local adversarial learning for detail-preserving multi-exposure image fusion
Kaur et al. Color image dehazing using gradient channel prior and guided l0 filter
CN101968883B (zh) 一种基于小波变换和邻域特征的多聚焦图像融合方法
CN102063713B (zh) 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法
CN105957063A (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统
US9307146B2 (en) Resolution-enhanced plenoptic imaging system
Zhang et al. Exemplar-based image inpainting using color distribution analysis
CN103186894B (zh) 一种自适应分块的多聚焦图像融合方法
CN105608667A (zh) 一种全景拼接的方法及装置
Shen et al. Convolutional neural pyramid for image processing
CN114066831B (zh) 一种基于两阶段训练的遥感图像镶嵌质量无参考评价方法
CN104036481B (zh) 一种基于深度信息提取的多聚焦图像融合方法
Liu et al. Learning hadamard-product-propagation for image dehazing and beyond
Ganguly et al. Single image haze removal with haze map optimization for various haze concentrations
CN111145134A (zh) 基于块效应的微透镜光场相机全聚焦图像生成算法
CN102096913B (zh) 压缩感知框架下的多策略图像融合方法
Jiang et al. A multi-focus image fusion method based on attention mechanism and supervised learning
Tang et al. A local flatness based variational approach to retinex
Liao et al. Multi-scale mutual feature convolutional neural network for depth image denoise and enhancement
Zhu et al. Low-light image enhancement network with decomposition and adaptive information fusion
Hai et al. Advanced retinexnet: a fully convolutional network for low-light image enhancement
CN113763300A (zh) 一种联合深度上下文与卷积条件随机场的多聚焦图像融合方法
Liu et al. A fast multi-focus image fusion algorithm by DWT and focused region decision map
Zhou et al. Image illumination adaptive correction algorithm based on a combined model of bottom-hat and improved gamma transformation

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant